Python学习记录-网站爬点句子

news/2024/5/20 20:39:42/文章来源:https://blog.csdn.net/jianin45/article/details/86063355

背景

想用python上网爬点句子，于是花一下午的时间来做这件事，这只是一个简单的例子，不过对于入坑来说nn

conda使用

顺便添加一下conda的使用，之前一直是用python自带的virtualenv工具，安装了anoconda后还是觉得conda比较好用；

创建一个环境
```
$ conda create -n vir_name python=2.7
```
使用环境
```
$ source activate vir_name
```

安装工具

$ conda install tools_name # or$ pip install tools_name

Beautiful Soup安装

linux下安装

apt-get isntall python-bs4

urllib2

自行解决吧！

开始写代码了

首先我们需要用到这么些个库，自行去匹配吧，环境没有，自己去凑；

#!/usr/bin/python
# coding:utf-8import urllib2 
import re 
from bs4 import BeautifulSoup
from distutils.filelist import findallimport time
import sys
import osimport socket

接下来的这两段解决的是，默认的网络请求超时时间设定，以及解决系统编码问题，因为使用过程中会遇到乱码的问题（本人使用mac系统，参考教程使用的是win系统）

second_out = 200
socket.setdefaulttimeout(second_out) reload(sys)
sys.setdefaultencoding('utf-8')

我们爬取的网站是一个句子网，静态网站比较好操作，而且网址的形式就是下面的前缀，加1000+的数字，所以我们只需要写一个循环，每隔一定时间请求新的网站地址就可以了；

web = "http://www.siandian.com/yulu/"

为了防止程序异常出现导致请求网站的索引丢失，我们把已经请求过的网址索引保存起来，下次请求从本地“恢复现场”，这样就不会重复请求了；

global indexindex = 1351index_path = os.path.join(os.getcwd(), 'index.txt')if not os.path.exists(index_path):with open(index_path, 'w') as f:s = str(index)f.write(s)with open(index_path, 'r') as f:s = f.read()print sindex = int(s)

下面的说明会写在代码里

image_1d0lk9rapih31pcjcft1puv1ach9.png-428.4kB

def get_page(index):url = web + "{}.html".format(index)request = urllib2.Request(url)page = urllib2.urlopen(request, timeout=second_out) return pagewhile True: # 我们需要一个一直运行的循环page = get_page(index) # 获取请求的网站内容time.sleep(1) # 有些网站对频繁请求的IP会做处理，另外网页请求需要时间处理，所以我们每隔一定时间去请求新的内容try:if page != None:contents = page.read()# print contentssoup = BeautifulSoup(contents, "html.parser", fromEncoding="gb18030")# 下面这两句是解决编码问题的，因为会涉及到中文输出乱码的问题soup.originalEncodingsoup.prettify()# print soup.prettify()print "当前索引：{}".format(index)# print soup.title# print soup.head# print soup.p# print soup.a# 这里其实就是我们的重点处理，使用find_all函数可以找到网页中所有<p>名字的标签，返回类型为{bs4.element.Tag}，可以去查一下，通过Tag可以直接把文本取出来；ppps = soup.find_all('p')path_dir = os.path.join(os.getcwd(), "txt")if not os.path.exists(path_dir):os.mkdir(path_dir)if len(ppps) > 10:file_path = "{}/{}.txt".format(path_dir,index)if os.path.exists(file_path):index += 1continuewith open(file_path, 'w') as f:for cont in soup.find_all('p'):# print type(cont) # bs4.element.Tag# 其实真正解决中文乱码问题的应该是这句text = cont.text.encode('utf-8').decode('utf-8')f.write(text + '\n')# 最后我们把找到的文本标签写入文件with open(index_path, 'w') as f:f.write("{}".format(index))else:print "无信息可保存！！！"index += 1continueelse:print "index: {} ----> None".format(index)except Exception as e:print "处理网址异常！！！"print eindex += 1continuefinally:print "finally"with open(index_path, 'w') as f:f.write("{}".format(index))pass